Der Elektrolichtbogenofen ist die gängigste Art des Recyclings von Stahlschrott. Die Optimierung seiner Parameter oder die Vorhersage seiner Ergebnisse bleibt jedoch aufgrund der unterschiedlichen Zusammensetzung des Schrotts eine Herausforderung. Die Klassifizierung des Schrotts hilft zwar bis zu einem gewissen Grad, aber auch innerhalb derselben Schrottklasse gibt es Schwankungen, die zu erheblichen Abweichungen beim elektrischen Energieverbrauch führen können. Darüber hinaus ist der Schrott oft mit Nichteisenmetallen wie Kupfer verunreinigt, was zu Qualitätsproblemen beim Endprodukt führen kann. Versuche, diese Probleme mit herkömmlichen statistischen Methoden zu lösen, sind oft nicht in der Lage, die Komplexität des Elektrolichtbogenofens, dessen Prozesse und Reaktionen zu erfassen. Um dieses Problem zu lösen, werden zunehmend Techniken des maschinellen Lernens eingesetzt, um die Auswirkungen der Schrottzusammensetzung auf den Energieverbrauch genau vorherzusagen. Diese Modelle verbessern die betriebliche Effizienz und die Produktqualität erheblich. Als Beitrag zu diesem Bereich wurden in dieser Arbeit verschiedene Algorithmen des maschinellen Lernens wie lineare Regression, Random Forest, Gradient Boosting und Multi-Layer Perceptron eingesetzt, um den elektrischen Energieverbrauch und den Kupfergehalt der erzeugten Schmelze vorherzusagen. Um Vorhersagen zu treffen, wurden die Algorithmen mit Attributen wie der Zusammensetzung der Schrottkategorien, dem Gewicht des geladenen Schrotts und einigen zeitlich verschobenen Attributen aus früheren Zeitschritten unter Verwendung verschiedener Evaluierungstechniken trainiert. Darüber hinaus wurden die Schrottkategorien in zwei Gruppen aufgeteilt, von denen eine die Schrottkategorien und die andere die granulareren Lagerorte umfasste. Die Einbeziehung früherer Zeitschritte wurde vorgenommen, um das dynamische Verhalten des Ofens und nach dem Abgießen rückbleibenden Schmelze (Hot Heel) zu erfassen. Darüber hinaus wurden die verschiedenen Validierungstechniken, K-Fold, Sliding Window und Expanding Window Kreuzvalidierung, verwendet, um zu bewerten und zu verstehen, ob die Daten als Zeitreihen betrachtet werden müssen. Schließlich wurden die Modelle, die für jeden Lichtbogenofen separat trainiert wurden, mit denen verglichen, die für beide Öfen zusammen trainiert wurden, um zu verstehen, ob es notwendig ist, ein Modell für jeden Ofen separat zu trainieren oder ob ein allgemeines Modell verwendet werden kann. Angesichts dieses Versuchsaufbaus zeigten die Ergebnisse, dass die Einbeziehung zeitlich versetzter Merkmale die Vorhersagegenauigkeit der Modelle verbesserte. Diese Verbesserung war jedoch nicht bei allen Modellen gleich und führte tendenziell zu Overfitting, je länger die Fenstergröße gewählt wurde. Bei der Bewertung der verschiedenen Evaluierungstechniken lieferte die K-Fold Kreuzvalidierung die zuverlässigsten Ergebnisse, während die Sliding Window und die Expanding Window Kreuzvalidierung erhebliche Schwankungen aufwiesen, was darauf hindeutet, dass die Behandlung der Daten als Zeitreihe unnötig ist. Schlussendlich zeigte der Vergleich zwischen den Modellen, die für jeden Lichtbogenofen separat oder für beide Öfen gemeinsam trainiert wurden, dass das Random-Forest- und das Gradient-Boosting-Modell von dieser Aufteilung profitierten. Das Random-Forest-Modell, das für die Schrottkategorien jedes Lichtbogenofens separat trainiert wurde, erwies sich als das genauerste Modell aller und erreichte einen mittleren absoluten Fehler von 0,0400 ± 0,0011 für den Kupfergehalt und 1356,00 ± 34,08 kWh für den Energieverbrauch.